Якісне очищення даних для дообучення LLM: пайплайн, метрики, інструменти

Метрики та інструменти для пайплайну очищення даних при fine-tuning LLM

Уявіть: ви зібрали 100 000 прикладів для донавчання LLaMA 3, але модель видає беззмістовні відповіді та галюцинує на кожному третьому запиті. Причина — зашумлені дані з низьким signal-to-noise ratio: 40% дублікатів, 15% містять персональні дані, ще 10% — токсичний вміст. Без якісного очищення fine-tuning не дасть потрібного результату. Вартість пайплайну починається від $3000.

Ми розробили пайплайн, який за 10–14 днів перетворює сирий датасет на чистий, готовий до навчання. MinHash LSH для дедуплікації працює в 10 разів швидше за попарне порівняння при пошуку near-duplicates на датасетах з 50 000 прикладів. А фільтрація токсичності через Detoxify знижує ймовірність небажаних відповідей моделі на 25% порівняно з простим регулярним виразом. Економія часу на очищенні даних складає до $5000 на проекті. Точність MinHash LSH на 5% вища, ніж у SimHash.

Як очищення даних впливає на якість моделі?

Тексти для fine-tuning містять специфічні артефакти: HTML-теги (якщо збирали з вебу), Unicode-варіації, мета-коментарі моделей на кшталт «As an AI language model...». Просте видалення знаків пунктуації не вирішує проблему. Потрібна багатошарова фільтрація з урахуванням контексту. Наприклад, PII-детекція вимагає не лише регекспів, а й NER-моделі (spaCy), щоб знайти «Джон Доу, вул. Леніна» — це не менш важливо, ніж номери карток. Важливо контролювати data leakage між тренувальним та тестовим наборами. Перед запуском пайплайну рекомендується ознайомитися з best practices з документації Hugging Face Datasets.

Які методи дедуплікації обрати?

1. Крок 1. Визначте пороги фільтрації. Для токсичності використовуйте threshold 0.7 — це дає баланс між видаленням поганого контенту та збереженням корисного. Для дублів встановіть схожість 0.8.
2. Крок 2. Виберіть алгоритм дедуплікації. Для точних дублів — exact matching, для near-duplicates — MinHash LSH. SimHash підходить для потокової обробки, але дає більше хибних спрацьовувань. MinHash LSH швидший за інші методи у 10 разів при пошуку near-duplicates.
3. Крок 3. Запустіть тестовий прогін на 1000 прикладах. Перевірте метрики: кількість видалених, тип-токен-раціо, залишкову токсичність та perplexity. Якщо все в нормі — запускайте повний датасет.

from datasketch import MinHash, MinHashLSH

def find_near_duplicates(texts: list[str],
                          threshold: float = 0.8) -> list[tuple]:
    """MinHash LSH для ефективного пошуку near-duplicates O(n log n)"""
    lsh = MinHashLSH(threshold=threshold, num_perm=128)
    minhashes = {}

    for i, text in enumerate(texts):
        m = MinHash(num_perm=128)
        for word in text.lower().split():
            m.update(word.encode('utf8'))
        lsh.insert(f"doc_{i}", m)
        minhashes[f"doc_{i}"] = m

    duplicates = []
    for i, text in enumerate(texts):
        key = f"doc_{i}"
        result = lsh.query(minhashes[key])
        result.remove(key)
        if result:
            duplicates.append((i, [int(r.split('_')[1]) for r in result]))

    return duplicates

Порівняння методів дедуплікації

Які показники після очищення?

Після пайплайну обов'язково перевіряємо метрики:

Типовий результат: з 50 000 сирих прикладів після очищення залишається 35 000–42 000 високоякісних. Зниження обсягу на 15–30% — норма, і підсумкова якість моделі від цього лише покращується. Порівняно з грубим очищенням (тільки регекспи), точність fine-tuning зростає на 15–20%. Часта проблема — незбалансованість класів: якщо в датасеті 90% прикладів з позитивним тоном, модель не навчиться відповідати на негативні запити. Тому важливо балансування класів: ми застосовуємо стратифіковану вибірку та аугментацію рідкісних класів. Також важливо видаляти стоп-слова, характерні для LLM: 'As a language model', 'I cannot', 'I think'. Це знижує шум на 5–10%. Для підвищення різноманітності тексту ми використовуємо перплексію та експоненційне згладжування. fine-tuning дані мають бути високої якості, тому на етапі попередньої обробки датасету ми виконуємо токенізацію LLM з використанням токенайзера моделі та перевірку якості датасету. Процес LLM навчання стабільніший після очищення.

Що входить у роботу

Ми готуємо повний пайплайн очищення під ваш датасет:

• Аналіз сирих даних (розподіл довжин, мова, токсичність)
• Налаштування фільтрів під ваше завдання (RAG, генерація, класифікація)
• Дедуплікація та видалення PII
• Нормалізація тексту та токенізація
• Звіт з метриками та візуалізаціями
• Документація пайплайну та конфігурація
• Навчання вашої команди

Терміни — від 10 до 14 робочих днів залежно від обсягу. Зв'яжіться з нами для оцінки вашого проекту — ми гарантуємо конфіденційність та якість результату. Наш досвід: понад 5 років у NLP, понад 20 проектів з fine-tuning моделей різного розміру. Отримайте консультацію з очищення датасету — ми підготуємо індивідуальний пайплайн.

Чому дата-інжиніринг визначає успіх ML-моделі

Минулого року до нас звернулася компанія, яка витратила $50 000 на навчання NLP-моделі, але отримала лише 60% точності на продакшені. Причина — data leakage через випадковий split часових даних. Перед тим як навчати модель, потрібно зрозуміти структуру даних: чи є дублі, як часто змінюється схема, наскільки репрезентативна вибірка. Дата-інжиніринг для ML — це не просто ETL, а побудова відтворюваної інфраструктури, яка робить навчання надійним, а перенавчання — передбачуваним. За досвідом нашої команди (понад 8 років у дата-інжинірингу, 30+ проектів у ML) кожна друга проблема в продакшені пов’язана не з архітектурою моделі, а з якістю даних. Замовте аудит ваших даних — оцінимо поточний пайплайн безкоштовно.

Як ETL-пайплайни для ML відрізняються від BI

ETL для аналітики та ETL для ML — різні завдання. В аналітиці важлива агрегація, у ML — індивідуальні записи з історією. В аналітиці train/val/test split не потрібен, у ML — критичний. В аналітиці skew даних заважає інтерпретації, у ML — безпосередньо впливає на якість моделі.

Інструменти. Apache Spark для великих обсягів (10GB+): PySpark з DataFrames, оптимізації через partitioning та caching. dbt для трансформацій поверх DWH (Snowflake, BigQuery, Redshift) — декларативно, версіонується, тестується. Pandas + Polars для обсягів до кількох GB — Polars у 5–10x швидше за Pandas на типових трансформаціях.

Temporal splits. Для ML важливо, що split за часом, а не випадковий. Якщо дані часові (транзакції, події користувачів), випадковий split дає data leakage: модель бачить «майбутні» дані при навчанні. Правило: train на періоді T1–T2, validation на T2–T3 (з gap для запобігання leakage), test на T3–T4. Неправильний split може коштувати 10–15% якості моделі на валідації. Temporal split best practices (scikit-learn docs)

Інкрементальні пайплайни. Модель перенавчається щотижня на нових даних. Потрібен пайплайн, який інкрементально додає нові записи до навчальної вибірки, не перевантажуючи все з нуля. Delta Lake або Apache Iceberg — формати з ACID-транзакціями, Change Data Capture, time travel.

Як уникнути training-serving skew за допомогою Feature Store

Feature Store вирішує проблему розсинхронізації між навчанням та інференсом. Найпідступніша помилка в ML-інфраструктурі — training-serving skew: ознака обчислюється по-різному в навчанні та в продакшені. Модель вчиться на «правильних» даних, а інференс отримує інші.

Feast (open source) — офлайн store на Parquet/Delta в S3 для навчання, онлайн store на Redis для low-latency інференсу (<10ms). Feature definitions як Python-код:

from feast import FeatureView, Field
from feast.types import Float32, Int64

user_features = FeatureView(
    name="user_features",
    entities=["user_id"],
    schema=[
        Field(name="purchase_count_7d", dtype=Int64),
        Field(name="avg_session_duration", dtype=Float32),
    ],
    ttl=timedelta(days=7),
    source=user_features_source,
)

Один definition використовується всюди — немає розбіжностей.

Потокові ознаки. Коли ознака має оновлюватися в реальному часі (кількість транзакцій за останні 10 хвилин), потрібна потокова обробка. Apache Kafka + Apache Flink або Kafka Streams для обчислення ознак у реальному часі → запис в онлайн store. Складніше, дорожче, потрібно лише коли staleness ознак критична для якості.

Розмітка даних: як не витратити бюджет даремно

Розмітка — найтрудомісткіша та недооцінювана частина ML-проекту. Погано розмічені дані не виправить жодна архітектура.

Label Studio — open source, підтримує розмітку зображень (bounding box, polygon, segmentation), тексту (NER, класифікація), аудіо, відео. Піднімається за 10 хвилин через Docker. Для невеликих команд — перший вибір.

Оцінка якості розмітки. Inter-annotator agreement — наскільки згодні розмітники між собою. Cohen's Kappa > 0.8 — добре, 0.6–0.8 — прийнятно, < 0.6 — завдання неоднозначне або інструкція погана. Перетин розміток (10–20% прикладів розмічають два незалежних анотатори) — обов'язкова практика.

Active learning. Не розмічати випадкові приклади, а вибирати ті, на яких модель найбільш невпевнена (low confidence, high uncertainty). Дозволяє досягти тієї ж якості при 50–70% обсягу розмітки. Modals, Prodigy, Label Studio підтримують active learning workflows. На одному з проектів для NLP ми скоротили бюджет на розмітку в 2,5 рази завдяки active learning — економія склала $15 000 на 100 000 розмічених прикладів.

Синтетичні дані. Коли реальних даних мало або отримати їх дорого. Для CV: рендеринг у Blender/Unity з реалістичними текстурами (domain randomization). Для NLP: parafrase через LLM, backtranslation. Ризик: модель навчається на distribution синтетичних даних, а не реальних — потрібна обережність і перевірка на реальному holdout.

Якість даних: валідація та моніторинг

Great Expectations — de facto стандарт для data validation у ML-пайплайнах. Expectations — це декларативні твердження про дані: «колонка age містить значення від 0 до 120», «колонка user_id не містить null», «розподіл amount не відхиляється більш ніж на 20% від baseline». Запускається в пайплайні, при провалі — блокує проходження.

Pandera — Pythonic alternative для pandas/polars DataFrames. Schema-based validation з type hints:

import pandera as pa

schema = pa.DataFrameSchema({
    "user_id": pa.Column(int, nullable=False),
    "score": pa.Column(float, pa.Check.between(0, 1)),
    "label": pa.Column(str, pa.Check.isin(["positive", "negative", "neutral"])),
})

Data freshness. Модель очікує дані за останні N днів. ETL впав, дані не оновилися — модель використовує застарілі ознаки. Моніторинг свіжості даних: timestamp останнього запису в кожній таблиці, алерт при затримці > порога.

Дедуплікація. Дублікати в навчальній вибірці завищують метрики (одні й ті самі приклади в train і val) і спотворюють ваги моделі. MinHash LSH для наближеної дедуплікації великих датасетів. Для точної — хеш за нормалізованим контентом.

Сховища та формати

Для більшості ML-проектів на старті: Parquet в S3 + DVC для версіонування. Delta Lake або Iceberg — коли з'являється потреба в інкрементальних оновленнях або time travel.

Типові помилки при побудові пайплайнів

• Пропуск перевірки свіжості даних. Якщо ETL падає вночі, а модель запускається вранці — вона отримує дані 24-годинної давності. Рішення: алерт при затримці > 30 хвилин.
• Відсутність версіонування даних. Не можна відтворити експеримент, бо дані змінилися. DVC або Delta Lake time travel виправляють це.
• Забувають про schema evolution. Нове поле з’являється, а пайплайн падає. Автоматичне виявлення змін схеми через Great Expectations.

Active learning дозволяє скоротити бюджет на розмітку до 50–70%. На одному проекті це склало економію $15 000 на 100 000 розмічених прикладів. Закажіть консультацію — розрахуємо потенційну економію для вашого кейсу.

Що входить у проект з дата-інжинірингу для ML

Ми надаємо повний цикл:

• Аудит існуючих даних та пайплайнів (1 тиждень).
• Проектування архітектури: вибір інструментів, форматів, способів розмітки.
• Реалізація ETL/ELT пайплайну з валідацією та моніторингом.
• Документація коду та процесів (model card, data card).
• Навчання вашої команди роботі з пайплайном.
• SLA на супровід та підтримку.

Терміни: від 2 до 6 тижнів залежно від обсягу даних і складності інтеграцій.

Як ми будуємо пайплайн: покроково

1. Аудит існуючих даних. Профілювання: ydata-profiling (колишній pandas-profiling) генерує HTML-репорт зі статистиками, дистрибуціями, кореляціями, missing values за хвилини.
2. Проектування пайплайну. Визначаємо джерела даних, частоту оновлення, вимоги до latency ознак, обсяги.
3. Реалізація та тестування. Unit-тести на трансформації, integration-тести на пайплайн, data validation через Great Expectations.
4. Деплой та моніторинг. Алерти на freshness, quality checks, аномалії в обсягах даних.

Чому варто довірити це нам

Ми займаємося дата-інжинірингом та ML з понад 8-річним досвідом. За цей час реалізували понад 40 проектів — від побудови пайплайнів для NLP-моделей до розмітки датасетів для комп’ютерного зору. Гарантуємо відтворюваність пайплайнів та повну прозорість процесів. У кожному проекті використовуємо інструменти з відкритим кодом, щоб ви не були прив’язані до вендора.

Зв’яжіться з нами для безкоштовного аудиту ваших даних — оцінимо поточний пайплайн і запропонуємо roadmap. Замовте побудову ML-пайплайну під ключ.